优化的多模型粒子滤波机动微弱目标检测前跟踪方法

在机动微弱目标的检测和跟踪方面,当前主要研究方法之一是多模型粒子滤波检测前跟踪（MMPF-TBD）,该方法以尽可能多的运动模型去匹配目标的机动,符合运动模型精细化研究方向,但存在模型数目与类别较多,模型之间转移计算复杂和有效模型使用效率低等问题。本文从多个运动模型结构上的相似性出发,提出一种优化的多模型粒子滤波检测前跟踪方法,通过粒子机动加速度的变化,在一个模型框架下模拟出类似MMPF TBD中的多种机动模型,简化了算法结构;在该方法实现过程中,采用辅助粒子滤波提高状态估计精度。仿真实验表明该方法相比MMPF-TBD具有更稳定的检测和跟踪性能以及在低信噪比环境中更好的适用性。      

基于粒子滤波的扩展目标检测前跟踪算法

针对扩展目标跟踪检测问题,把粒子滤波与检测前跟踪算法相结合应用于扩展目标。把目标强度和空间长度引入状态向量,解决粒子滤波易发散的缺点,实现对扩展目标的有效跟踪检测。最后,在对目标有效检测的基础上,对目标强度和空间长度进行估计。仿真表明,该算法能够较好地跟踪和检测扩展目标,并能有效估计目标强度和扩展长度。     

基于多模粒子滤波的机动弱目标检测前跟踪

检测前跟踪技术是低信噪比环境下目标检测与跟踪的有效方法。该文针对目标作复杂运动的情况,提出了机动弱目标检测前跟踪的多模粒子滤波算法。该算法在目标状态矢量中增加了表示目标存在与否以及目标运动模型的变量,采用粒子滤波实现了包含两个离散变量的混合滤波过程。仿真试验表明,该算法在经典跟踪方法难以发挥作用的低信噪比条件下,能够有效实现机动目标的检测与跟踪。     

采用粒子滤波的先跟踪后检测算法

先跟踪后检测(TBD)算法能够有效解决低信噪比条件下弱小目标的检测与跟踪问题.与传统的先检测后跟踪方法相比,它的优点在于可完整传感器数据,随时间累积起来能获得更好的检测与跟踪性能,特别是检测与跟踪弱小目标.同时与传统的跟踪算法相比,先跟踪后检测算法提供给跟踪器的信息更多,适合于跟踪低信噪比的弱小目标.探讨了先跟踪后检测问题的两个方面:滤波和检测.为了检测目标的出现与消失,在状态向量中增加一个二元变量对应目标存在.对于非线性、非高斯的跟踪问题,使用粒子滤波器跟踪弱小目标,基于粒子滤波器的权值实现最优检测器.给出粒子滤波器的TBD算法的理论推导以及数值计算过程.仿真实验表明:基于粒子滤波器的TBD算法能够检测与跟踪低信噪比的目标.     

Geodesic流多伯努利检测前跟踪方法

由于粒子退化,基于粒子滤波的多伯努利检测前跟踪滤波器对多目标后验密度的估计不准确,导致量测非相参积累的效果不理想.为此,将Geodesic粒子流引入多伯努利检测前跟踪算法,以提升后验密度估计的准确度.此外,合并航迹时利用目标的航向信息,从而降低航迹交叉时不同目标的航迹被错误合并的概率.通过Rayleigh杂波中Swerling 1型起伏目标的检测及跟踪结果证明了所提算法的性能.     

基于PHD滤波的雷达起伏目标检测前跟踪算法研究

针对雷达微弱起伏目标的检测和跟踪问题,研究了Swerling 0,1,3三类起伏目标模型,提出了概率假设密度滤波下幅度起伏的雷达微弱目标检测前跟踪算法.该算法建立了概率假设密度检测前跟踪算法下复似然比和幅度似然比两种跟踪模型,其中复似然比方法弥补了幅度似然比在计算过程中只考虑量测的幅度信息,而忽略相位信息的缺陷,从而更...     

雷达微弱目标检测前跟踪技术研究综述

战场环境的改变、武器系统的发展和隐身技术的应用,使得现代雷达系统对目标的检测和跟踪面临很大挑战,检测前跟踪技术是解决微弱目标检测和跟踪问题的一种有效方法。首先介绍了检测前跟踪技术的基本原理,然后重点综述了雷达微弱目标检测前跟踪算法的发展历程和研究现状,包括三维匹配滤波、动态规划、Hough变换、粒子滤波等检测前跟踪算法,并对常用的几种算法进行了对比分析,最后结合目前研究动态提出了雷达微弱目标检测前跟踪技术需要重点关注的问题和未来发展趋势。     

基于PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。     

基于道路约束的粒子滤波检测前跟踪算法

标准的多模型粒子滤波检测前跟踪技术是在低信噪比环境下检测与跟踪机动性的微弱目标的有效手段。但是由于其采用固定的运动模型数量,当运动模型数量过大时,模型之间的竞争会导致性能的下降。针对此问题,利用道路信息提出了一种变结构的多模型粒子滤波检测前跟踪算法。在每一时刻,根据目标的估计状态和挖掘的道路信息自适应地更新和改变运动模型集以能够选择更加有效的模型集,同时减少了模型数量,并且利用道路信息对目标的运动状态进行约束和限制。最后通过Monte Carlo仿真实验表明,基于文中所提出的算法在检测跟踪性能方面明显优于标准的多模型粒子滤波检测前跟踪算法。     

粒子初始化对TBD算法性能的影响探究

基于粒子滤波的检测前跟踪(TBD)算法是检测微弱目标的有效手段,但现有粒子滤波方法在进行微弱目标检测时,通常是在已知粒子初始参数范围的条件下进行研究的,没有考虑粒子初始参数对算法性能的影响。在对粒子状态预测过程中涉及的参数进行理论分析的基础上,发现粒子初始速度范围和初始状态范围两种参数对算法性能有较大影响。通过大量实验证明粒子初始参数的优化对算法的检测能力、跟踪精度和时间复杂度3方面性能都有所改善,为研究利用基于粒子滤波的TBD微弱目标检测提供新的思路。     

基于优化遗传重采样的辅助粒子滤波检测前跟踪方法

针对由于粒子匮乏辅助粒子滤波检测前跟踪(APF-TBD)无法获得较好的检测和跟踪性能的问题,提出了一种基于优化遗传重采样的辅助粒子滤波检测前跟踪(OGRAPF-TBD)方法.在APF-TBD的重采样中应用优化后的遗传重采样算法,在重采样中根据权重选择优质粒子,通过排序分组交叉和变异操作得到新粒子.该方法不仅能保留APF...     

杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法

在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪 (PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显著的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。      

高斯粒子流滤波器

粒子流滤波器以粒子流速度场描述随机样本从先验分布到后验分布的演化,实现对系统状态的贝叶斯估计.针对其一般解计算复杂、难于滤波求解的问题,导出一种高斯假设条件下的粒子流滤波器.在线性高斯条件下推导了速度场的解析解;证明了当演化步长趋近于0时,该解析解与Kalman-Bucy滤波器的解具有一致的形式;基于该解导出了非线性高斯系统速度场的表达式,并进一步利用Unscented变换近似求解.通过若干仿真算例表明,高斯粒子流滤波器放宽了系统噪声为高斯型的限制,其精度优于经典非线性高斯滤波器,计算复杂度低于一般粒子滤波器,且具有良好的稳定性.     

PHD滤波器在多目标检测前跟踪中的应用

检测前跟踪(TBD)用于对低信噪比目标的雷达检测与跟踪.同时,传统的概率假设密度(PHD)滤波器是解决多目标跟踪问题的有效方法,但它不适用于多目标TBD问题.本文通过分析多目标跟踪问题中PHD滤波器的适用模型和假设,提出了针对TBD的“标准”多目标观测模型,并对噪声进行了“泊松化”,设计出一种能解决多目标TBD问题的P...     

基于JMS-SMC-PHD滤波的检测前跟踪算法

针对低信噪比条件下机动目标的检测与跟踪问题,提出跳跃马尔可夫系统下的序贯蒙特卡罗概率假设密度(JMS-SMC-PHD)滤波的检测前跟踪算法。该算法在机动目标数目和模型未知情况下,直接利用红外传感器量测数据,通过在目标状态矢量中增加模型变量并利用马尔可夫模型概率转移矩阵结合序贯蒙特卡罗概率假设密度(SMC-PHD)滤波,实现机动弱小目标的检测前跟踪。仿真结果表明所提方法可以有效地实现目标的检测与跟踪。